工业专用排序分类问题的神经网络/机器学习方法

Question

我正在从事一个项目，该项目涉及为辊对辊工业中的应用程序开发机器学习/深度学习。很长一段时间以来，我一直在寻找类似的问题作为获得一些指导的方法，但我从来没有找到任何相关的东西。

基本上，问题可分为以下几个方面：

• 一台工业机器正在生产一卷某种材料，这些材料在整个轧辊上都有明显的缺陷。我已经有了一种机器学习算法，能够分析辊段并将每一段划分为有缺陷或没有缺陷，所以任务没有检测到缺陷。
• 我实际上正在开发的是一种算法，它接收生产的时间序列输入，包括机器学习视觉模型的输出(概率)，该模型将片段分类为有缺陷或没有缺陷，并评估机器是否应该在特定时刻停止，以避免进一步产生缺陷。
• 在许多辊对辊=连续生产工业中，不像那些非常“孤立”的零件是用非常具体的废品/不拒绝质量标准(例如:汽车零件)生产的，你可能不想在看到一个缺陷就停止生产，而是当一组连续的缺陷开始破坏生产。因此，问题更多的是通过分析信息的每一个时间步骤来检测这些连续的缺陷，并且能够将这些缺陷与单个缺陷的情况“分离”。

希望本文的描述能为理解这里的目的提供一个小小的背景。我正在使用一种基于LSTM和乙状结肠激活函数的方法。我正在开发一个自定义丢失函数，并根据机器应该停止的时间步骤区域对学习问题标签进行建模--它给出了每个时间步骤的分类。类似于：

[0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1]
 - the zeros represent timesteps where no stop should happen
 - the ones represent timesteps where at least a stop should happen = continuous defects

通过输入不同的时间步长，神经网络应该学会不停止在带有零的位置上，而在带有1的位置上停止。当然有一些特殊性，但我相信这是一个简单的解释，我希望能提供一些见解。

有了这个->，我很想知道是否有人曾经按照类似的“逻辑”处理过一个问题，并引导我使用类似的方法来看待这个问题。也会对类似的网络架构/配置感兴趣，这将导致一个起点。我对任何其他的贡献也很好奇，作为看待这个问题的一种方式。真的很想听听你的观点！

Answer 1

我会尝试应用“变点问题”世界的技术。在这类问题中，您尝试识别随机过程或时间序列的概率分布变化的时间。这是经典解决方案的经典问题，所以也许你不需要神经网络来解决它。在您的特殊情况下，您对在线版本感兴趣，这就是，您必须实时检测发行版的变化。

我离开这里，我发现一些可能很有趣的消息来源

• 流数据分析中的变化检测:贝叶斯在线和鞅方法的比较
• 贝叶斯在线变化点检测-直观理解
• 时间序列在线变化检测技术综述

如果您问我，我会尝试一种贝叶斯方法，在这种方法中，您有一个关于缺陷率的先验分布，并且使用传入的数据更新分布。您可以将接收缺陷段的概率建模为beta分布B(x; \alpha, \beta)，它具有参数\alpha和\beta更新为

\alpha_{t+1} = \alpha_t + s_t \beta_{t+1} = \beta_t + f_t

其中，s_t是时间上没有任何缺陷的段数，t和\beta_t是时间上有缺陷的段数，t。因此，在观察了T段之后，您将拥有

P = B(x; \alpha_T, \beta_T)

使用此发行版，您可以实现“如果缺陷率高于某个阈值t的概率>95，即停止生产，即停止生产”。